京东金融在KDD2018发表5篇论文 以前沿成果破解应用难题

8月19-23日，国际数据挖掘顶级会议KDD2018在英国伦敦正式召开，大约3000名来自世界各地的顶级学者和知名企业代表齐聚一堂，展示了各自在数据科学领域的最新技术与成果。由京东金融副总裁、首席数据科学家郑宇博士发起创办的国际城市计算论坛（International Workshop on Urban Computing）在大会上如期召开，吸引了众多顶级学者参与，共同探讨大数据和人工智能在城市计算领域的先进科研成果，成功实践案例，彰显了国际学界对城市计算的高度关注。

京东全面亮相KDD大会，并以发表10篇论文的成绩展示了中国技术发展的“京东力量”， 其中，京东金融共有4篇论文被KDD大会收录，这四篇论文均出自京东金融城市计算事业部，相关作者受邀出席大会并做技术报告。此外，京东金融风险管理部还有一篇论文被KDD上的“图的挖掘与学习国际研讨会”收录。

KDD大会的投稿量逐年攀升，今年的接收率仅为18.4%。京东金融的相关学术成果何以在KDD期间赢得广泛赞誉，首要的原因是这些成果将创新的技术和落地的应用有机融合。下面，就让我们来看看，京东金融的这五篇论文都取得了哪些成果。

1、中文标题：基于对等和时间感知的表示学习的驾驶行为分析

英文标题：You Are How You Drive: Peer and Temporal-Aware Representation Learning for Driving Behavior Analysis

摘要：

车辆驾驶是一种需要多种技巧的复杂行为，合理有效的分析挖掘司机的驾驶行为，能够帮助我们评估一个司机的驾驶技能，进而也能帮助评估城市每块区域或路段每一时刻的路面驾驶安全系数，帮助检测出高风险区域路段，提升交通安全，促进城市智能交通系统的发展。

某一时间，计算某一区域内 ，位置处于当前区域的司机的 driving score的平均值。分数越高越安全，越低越危险。这是业内首次实现对司机驾驶行为以及危险区域的实时评估。

分析司机的驾驶行为并预判某一区域的交通风险，有着显著的社会应用价值： 首先， 对交通管理部门说，提前对危险区域作出预判，及时疏导，为决策提供支持，优化资源的调配，例如信号灯、警示牌、医疗单位的位置规划等; 其次，对保险公司来说，可以根据司机的驾驶行为，使调整保费策略更加合理；第三，对提供地图和导航服务的企业来说，在提供导航服务时，可以根据危险区域的预判，对路线进行调整，完善自身的服务；最后，对司机个人来说，driving score的变化，对调整自己的驾驶行为和驾驶习惯有指导意义，可以帮助司机形成安全驾驶的良好习惯。

2、中文标题：共享单车动态调度：时空数据上的强化学习模型

英文标题：Dynamic Bike Reposition: A Spatio-Temporal Reinforcement Learning Approach

摘要：

共享单车在城市中越来越普及，便利城市出行的同时也给单车运营带来诸多问题：部分区域存在大量单车拥堵，而另一些区域却没有可供使用的单车。现阶段，单车运营商采用小型三轮车在城市各区域之间持续地进行单车调度来解决上述问题。我们提出了一种基于时空数据的强化学习模型来实时地指导城市内的各个三轮车进行协作、高效、长期最优地单车调度。

从应用层面来看，由于我们更好地考虑了实际调度中的不确定因素，通过上述方法进行单车调动，相较于传统模型可以大幅提升调度效率，，从而减少用户想找车却找不到的情况发生，使得单车系统服务的人数实现最大化，且进一步提升用户体验。

3、中文标题：基于深度分布式融合网络的空气质量预测

英文标题：Deep Distributed Fusion Network for Air Quality Prediction

摘要：

随着城市化的快速发展，中国的大多数城市正经历着严重的空气污染问题。预测未来空气质量不仅可以帮政府更好地做出决策，也可以帮助人们规划未来出行计划。基于空气质量数据、气象数据和天气预报数据，借助大气科学领域的专业知识，我们提出了一种基于深度学习的预测方法DeepAir来预测未来48小时细粒度空气质量。

中国于 2012 年开始对 PM2.5 进行监控，在 5 年前，可用数据点只有几千个，小样本问题是进行预测的一大障碍。如今，全国有超过 200 个城市、数千个站点在以小时为单位记录空气质量数据，数据量的极大丰富让研究者思考深度学习能否更好地解决问题。研究者发现深度学习在拐点预测方面有较大提升。